语义社团发现包含两重含义,即提升社团发现质量、精确标注社团语义.传统的社团发现方法通常假设网络拓扑与节点内容共享同一社团结构.然而,在许多真实网络(如社交网络)中,网络拓扑与节点内容所对应的社团结构通常并不一致.例如,在Twitte...语义社团发现包含两重含义,即提升社团发现质量、精确标注社团语义.传统的社团发现方法通常假设网络拓扑与节点内容共享同一社团结构.然而,在许多真实网络(如社交网络)中,网络拓扑与节点内容所对应的社团结构通常并不一致.例如,在Twitter网络中,社交链接能够直接地反映出哪些用户聚集在一个社团之中,而每位用户却会产生迥异的、杂乱无章的内容信息.针对该问题,作者基于非负矩阵分解框架提出了一个鲁棒、强解释性的新的社团发现模型(Robust and Strong Explanatory Community Detection,RSECD).该模型创新地采用一个带先验的转移概率矩阵来刻画网络社团与内容类簇之间的内在关联.在实验中,作者首先采用一组人工网络验证RSECD的有效性和鲁棒性;进而在7个真实网络上,与8种代表性社团发现方法进行量化比较,结果显示RSECD的检测精度比性能最高的对比算法高6%~14%,进一步体现了其优越性;最后,通过一个在线音乐社交网络上的实例分析,作者又验证了RSECD对于所发现社团具有很强的可解释能力.展开更多
文摘语义社团发现包含两重含义,即提升社团发现质量、精确标注社团语义.传统的社团发现方法通常假设网络拓扑与节点内容共享同一社团结构.然而,在许多真实网络(如社交网络)中,网络拓扑与节点内容所对应的社团结构通常并不一致.例如,在Twitter网络中,社交链接能够直接地反映出哪些用户聚集在一个社团之中,而每位用户却会产生迥异的、杂乱无章的内容信息.针对该问题,作者基于非负矩阵分解框架提出了一个鲁棒、强解释性的新的社团发现模型(Robust and Strong Explanatory Community Detection,RSECD).该模型创新地采用一个带先验的转移概率矩阵来刻画网络社团与内容类簇之间的内在关联.在实验中,作者首先采用一组人工网络验证RSECD的有效性和鲁棒性;进而在7个真实网络上,与8种代表性社团发现方法进行量化比较,结果显示RSECD的检测精度比性能最高的对比算法高6%~14%,进一步体现了其优越性;最后,通过一个在线音乐社交网络上的实例分析,作者又验证了RSECD对于所发现社团具有很强的可解释能力.